Preveja o atrito dos funcionários com Shap: um guia de análise de RH

Funcionários altamente qualificados deixam uma empresa. Esse movimento acontece tão de repente que o atrito dos funcionários se torna um caso caro e disruptivo demais para ser atendido para a empresa. Por que? Leva muito tempo e dinheiro para contratar e treinar um estranho completo com as nuances da empresa.

Olhando para esse cenário, uma pergunta sempre surge em sua mente sempre que seu colega sai do escritório onde você trabalha.

“E se pudéssemos prever quem poderia sair e entender o porquê?”

Mas antes de assumir que o atrito dos funcionários é uma mera desconexão de trabalho, ou que uma melhor oportunidade de aprendizado/crescimento está presente em algum lugar. Então, você está um pouco incorreto em suas suposições.

Então, o que quer que esteja acontecendo em seu escritório, você trabalha, você os vê saindo mais do que entrando.

Mas se você não o observar em um padrão, está perdendo o ponto de atrito dos funcionários que está acontecendo ao vivo em ação em seu escritório.

Você se pergunta: ‘As empresas e seus departamentos de RH tentam impedir que funcionários valiosos deixem seus empregos?’

Sim! Portanto, neste artigo, construiremos um modelo de aprendizado de máquina direto para prever o atrito dos funcionários, usando uma ferramenta de forma para explicar os resultados para que as equipes de RH possam agir com base nos insights.

Compreender o problema

Em 2024, a WorldMetrics lançou o Relatório de Dados do Mercado, que afirmou claramente que 33% dos funcionários deixam seus empregos porque não vêem oportunidades para o desenvolvimento de carreira – ou seja, um terço das partidas se deve a caminhos de crescimento estagnado. Portanto, dos 180 funcionários, 60 funcionários estão renunciando a seus empregos na empresa em um ano. Então, o que é atrito dos funcionários? Você pode querer nos perguntar.

• O que é o atrito dos funcionários?

O Gartner forneceu informações e orientações especializadas às empresas clientes em todo o mundo por 45 anos, definiu o atrito dos funcionários como ‘a perda gradual dos funcionários quando as posições não são reabastecidas, geralmente devido a demissões voluntárias, aposentadorias ou transferências internas’.

Como as análises ajudam o RH a abordá -lo proativamente?

O papel da RH é extremamente confiável e valioso para uma empresa, porque o RH é o único departamento que pode trabalhar ativamente e diretamente na análise de atrito dos funcionários e nos recursos humanos.

O RH pode usar o Analytics para descobrir as causas principais do atrito dos funcionários, identificar padrões/dados demográficos do modelo de dados históricos dos funcionários e projetar ações direcionadas de acordo.

Agora, que método/abordagem é útil para o RH? Algum palpite? A resposta é a abordagem da forma. Então, o que é?

Qual é a abordagem da forma?

Shap é um método e ferramenta que é usado para explicar o Aprendizado de máquina (ML) saída de modelo.

Ele também acrescenta o porquê do que fez o funcionário renunciar voluntariamente, que você verá no artigo abaixo.

Mas antes disso, você pode instalá -lo através do terminal PIP e do terminal CONDA.

!pip set up shap

ou

conda set up -c conda-forge shap

A IBM apresentou um conjunto de dados em 2017 chamado “IBM HR Analytics Funcionário Atrito e Efficiency” usando a ferramenta/método Shap.

Então, aqui está a visão geral do conjunto de dados em resumo que você pode dar uma olhada abaixo,

Visão geral do conjunto de dados

Usaremos o IBM HR Analytics DataSet de atrito de funcionários. Inclui informações sobre mais de 1.400 funcionários – coisas como idade, salário, função no trabalho e pontuações de satisfação para identificar padrões usando a abordagem/ferramenta de forma.

Em seguida, usaremos as principais colunas:

• Atrito: Se o funcionário saiu ou ficou
• Com o tempo, satisfação no trabalho, renda mensal, equilíbrio entre vida profissional

Posteriormente, você deve praticamente colocar em ação a abordagem/ferramenta de forma para superar o risco de atrito dos funcionários seguindo estas 5 etapas.

Etapa 1: carregar e explorar os dados

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import LabelEncoder

# Load the dataset

df = pd.read_csv('WA_Fn-UseC_-HR-Worker-Attrition.csv')

# Fundamental exploration

print("Form of dataset:", df.form)

print("Attrition worth counts:n", df('Attrition').value_counts())

Etapa 2: Pré -processo os dados

Depois que o conjunto de dados for carregado, alteramos os valores de texto em números e dividiremos os dados em peças de treinamento e teste.

# Convert the goal variable to binary

df('Attrition') = df('Attrition').map({'Sure': 1, 'No': 0})

# Encode all categorical options

label_enc = LabelEncoder()

categorical_cols = df.select_dtypes(embody=('object')).columns

for col in categorical_cols:

    df(col) = label_enc.fit_transform(df(col))

# Outline options and goal

X = df.drop('Attrition', axis=1)

y = df('Attrition')

# Break up the dataset into coaching and testing

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Etapa 3: construa o modelo

Agora, vamos usar Xgboostum modelo de aprendizado de máquina rápido e preciso para avaliação.

from xgboost import XGBClassifier

from sklearn.metrics import classification_report

# Initialize and prepare the mannequin

mannequin = XGBClassifier(use_label_encoder=False, eval_metric="logloss")

mannequin.match(X_train, y_train)

# Predict and consider

y_pred = mannequin.predict(X_test)

print("Classification Report:n", classification_report(y_test, y_pred))

Etapa 4: explique o modelo com Shap

Shap (Shapley Additive Explicações) nos ajuda a entender quais recursos/fatores eram mais importantes na previsão do atrito.

import shap

# Initialize SHAP

shap.initjs()

# Clarify mannequin predictions

explainer = shap.Explainer(mannequin)

shap_values = explainer(X_test)

# Abstract plot

shap.summary_plot(shap_values, X_test)

Etapa 5: Visualize relacionamentos importantes

Vamos nos aprofundar com parcelas de dependência da forma ou visualizações marítimas de atrito versus ao longo do tempo.

import seaborn as sns

import matplotlib.pyplot as plt

# Visualizing Attrition vs OverTime

plt.determine(figsize=(8, 5))

sns.countplot(x='OverTime', hue="Attrition", knowledge=df)

plt.title("Attrition vs OverTime")

plt.xlabel("OverTime")

plt.ylabel("Rely")

plt.present()

Saída:

Agora, vamos mudar nosso foco para 5 insights de negócios dos dados

No entanto, das 5 insights, existem três insights principais do conjunto de dados IBM de abordagem baseada em Shap que as empresas e os departamentos de RH devem prestar atenção ativamente.

3 Insights principais da abordagem da Shap IBM:

1. Os funcionários que trabalham horas extras têm maior probabilidade de sair.
2. A baixa satisfação do trabalho e do ambiente aumenta o risco de atrito.
3. A renda mensal também tem um efeito, mas menos do que horas extras e satisfação no trabalho.

Portanto, os departamentos de RH podem usar os insights mencionados acima para encontrar melhores soluções.

Revisão de planos

Agora que sabemos o que importa, o RH pode seguir estas 4 soluções para orientar as políticas de RH.

1. Revisitar planos de compensação

Os funcionários têm famílias para alimentar, contas a pagar e um estilo de vida para continuar. Se as empresas não revisarem seus planos de remuneração, provavelmente perderão seus funcionários e enfrentam uma desvantagem competitiva para seus negócios.

2. Reduzir horas extras ou oferecer incentivos

Às vezes, o trabalho pode esperar, mas os estressores não podem. Por que? Porque as horas extras não são iguais a incentivos. Ombros tensos, mas nenhum incentivo dá origem a vários tipos de inseguranças e problemas de saúde.

3. Melhorar a satisfação no trabalho através do suggestions dos próprios funcionários

O suggestions não é apenas algo a ser levado adiante, mas é um loop/guia de implementação não relacionado de como o futuro deve ser. Se o atrito dos funcionários é um problema, os funcionários são a solução. Perguntar ajuda, assumindo erodos.

4. Leve adiante uma melhor noção de equilíbrio entre vida profissional e pessoal

As pessoas ingressam em empregos não apenas por causa da pressão social, mas também para descobrir quem realmente são e quais são suas capacidades. Encontrar um emprego que se encaixa nesses dois objetivos ajuda a aumentar sua produtividade; No entanto, as habilidades superutilizadoras podem ser contraproducentes e contra -intuitivas para as empresas.

Portanto, este conjunto de dados de abordagem baseado em forma é perfeito para:

• Previsão de atrito
• Otimização da força de trabalho
• Tutoriais de IA explicáveis (Shap/Lime)
• Destaque de visualização
• Painéis de análise de RH

Conclusão

A previsão do atrito dos funcionários pode ajudar as empresas a manter suas melhores pessoas e ajudar a maximizar os lucros. Portanto, com o aprendizado de máquina e o Shap, as empresas podem ver quem pode sair e por quê. A ferramenta/abordagem da Shap ajuda o RH a agir antes que seja tarde demais. Ao usar a abordagem de Shap, as empresas podem criar um plano de backup/sucessão.

Perguntas frequentes

Jyoti Makkar é escritor e generalista da AI, co-fundou recentemente uma plataforma chamada WorksPaceTool.com para descobrir, comparar e selecionar o melhor software program para necessidades de negócios.